Modèle graphique probabiliste appliqué au diagnostic de l'état de santé des systèmes, au pronostic et à l'estimation de la durée de vie résiduelle

This thesis contributes to prognosis and health management for assessing health condition of complex systems. In the context of operational management and operational safety of systems, we propose to investigate how Dynamic Probabilistic Graphical Modelling (DPGM) can be used to diagnose the current health state of systems, prognostic the future health state, and the evolution of degradation, as well as estimate its remaining useful life based on its operating conditions. System degradation is generally unknown and requires shutting down the system to be observed. However, this is difficult or even impossible during system operation. Though, a set of observable quantities on a system or component can characterise the level of degradation and help to estimate the remaining useful life of components and systems. The DPGM provides an approach suitable for modelling the evolution of the health state of systems and components. The aim of this thesis is to transpose and capitalize on the experience of these previous works in a prognostic context on the basis of a more efficient DPGM taking into account the available knowledge on the system. We extend the classical HMM family models to the IOHMM to allow the time propagation of uncertainty to address prognostic problems. This research includes the extension of learning and inference algorithms. Variants of the HMM model are proposed to incorporate the operating environment into the prognosis. The aim of this thesis is to contribute to solving the following scientific locks: - Considering the state of health whatever the complexity of the system by a stochastic model and learning the model parameters from the available measurements on the system. - Establish a diagnosis of the state of health of the system and the prognosis of its evolution by integrating several operational conditions. - Estimate the remaining useful life of components and structured systems with series and parallel components. This is a major challenge because the prognosis of the degradation of system components makes it possible to define strategies for either control or maintenance in relation to the residual life of the system. This allows the reduction of the probability of occurrence of a shutdown due to a system malfunction either by adjusting the degradation speed to fit in with a preventive maintenance plan or by proactively planning maintenance interventions.Cette thèse contribue au développement des recherches dans le domaine du Pronostic et Health Management : gestion de l’état de santé des systèmes complexes. Dans un contexte de management opérationnel et de sûreté de fonctionnement des systèmes, nous proposons d’étudier comment la modélisation par un Modèle Graphique Probabiliste Dynamique (MGPD) permet le diagnostic de l’état de santé courant d’un système, le pronostic de cet état et de l’évolution des dégradations, ainsi que l’estimation de sa durée de vie résiduelle en fonction de ses conditions opérationnelles. La dégradation des composants est en général inconnue et nécessite un arrêt du système pour être observée. Cependant, cela est difficile, voire impossible, durant l’exploitation du système. Néanmoins, un ensemble de grandeurs observables sur le système ou le composant peut caractériser le niveau de dégradation et faciliter l’estimation de la durée de vie résiduelle du composant et du système. Les MGPD offrent une approche adaptée à la modélisation de l’évolution de l’état de santé des systèmes et des composants. Nous étendons la modélisation classique des modèles de la famille des HMM vers les IOHMM pour permettre une propagation temporelle de l’incertitude afin de résoudre le problème de pronostic de l’état de santé et de l’estimation de la durée de vie résiduelle. Cette recherche comprend l’extension des algorithmes d’apprentissage et d’inférence appliqués aussi bien dans le cas d’un composant que pour un système structuré. Cette thèse a pour but de contribuer à lever les verrous scientifiques suivants : - Considérer l'état de santé du système par un modèle stochastique et apprendre les paramètres du modèle à partir des mesures disponibles sur le système. - Établir un diagnostic de l’état de santé du système et le pronostic de son évolution en intégrant plusieurs conditions opérationnelles. - Estimer la durée de vie résiduelle des composants et des systèmes structurés (série, parallèle) à partir de ses composants. L’enjeu est majeur, car le pronostic de la dégradation des composants du système permet de définir des stratégies soit de pilotage soit de maintenance par rapport à la durée de vie résiduelle du système. Cela permet la réduction de la probabilité d’occurrence d’un arrêt pour cause de dysfonctionnement du système, soit en ajustant la vitesse de dégradation pour s’accorder à un plan de maintenance préventif, soit en planifiant les interventions de maintenance de manière proactive